Ming-3.0-tts-tiny 與 Sesame-Preview：可下載的檢查點，對比無法呼叫的語音

把Ming-3.0-tts-tiny和Sesame Preview放進同一句話，比較在第一個基準測試之前就瓦解了，因為兩者之中只有一個是開發者實際能取得的東西。Ming-3.0-tts-tiny 是 Ant Group 的 inclusionAI 檢查點：總參數量 79 億，每個 token 約有 13 億活躍參數，以 MIT 授權的權重發佈於 Hugging Face，推論程式碼則於 2026 年 10 月 19 日登上 GitHub。Sesame Preview 是消費級助理——四種語音、iOS 與 Android 應用程式，沒有 API、沒有模型 ID，也沒有公布那個讓它值得一寫的語音的任何評分。一個是檔案。另一個是產品。有趣的問題不是哪個聽起來更好，畢竟沒有人以可比較的方式衡量過任何一方的表現，而是當你在某個週二下午、手上有一份腳本和一個截止期限時，它們各自能讓你做什麼。像這類發布背後有紀錄的 AI 故障與代理事件，都彙整在OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

這裡的日期至關重要，重要程度非比尋常。Ming-3.0-tts-tiny 的儲存庫建立於 2026 年 9 月 22 日，權重於 9 月 24 日上架，而接下來整整三週半，這個發布版本都無法使用——一個裝滿分片的資料夾，卻沒有任何公開的執行方式。推論程式碼、一鍵範例與任務指南於 10 月 19 日 08:58 UTC 一同上線。Ant 完全沒有宣布這一切。相較之下，Sesame Preview 自春季起便持續公開推出，並在 2026 年 10 月 6 日獲得實質更新，當時該公司的產品長說明了應用程式背後一套新的 Conversational Speech Model。這兩者都不是新聞稿意義上的正式發布，但兩者都是動向，而只有其中一個附帶了可下載的東西。

簡短版本，在證據之前

如果你正在打造產品，Sesame Preview 不是候選項，今天也無法成為候選項：沒有可呼叫的端點、沒有可閱讀的授權條款、沒有價格，也沒有任何承諾保證應用程式中的聲音就是任何模型中的聲音。如果你正在打造產品，且需要一個你自己擁有的聲音，Ming-3.0-tts-tiny 是候選項——一個年輕、尚未評分、自行託管的候選項，會讓你必須自行評估。

對多數團隊來說，這就是全部的決策。以下內容是針對並非如此的情況：那些把它們當作對話音訊而非產品來比較的人，或是在權衡 Sesame 的做法是否值得複製的人。

每一項實際上能讓你掌握到什麼

• 你下載的內容 — Ming-3.0-tts-tiny：約 18 GB，包含 Ling V3 主幹、擴散 Transformer 頭部、音訊分詞器、CAM++ 說話者編碼器與文字分詞器。Sesame Preview：一個來自 App Store 或 G​oogle Play 的應用程式，別無其他。

• 你可以呼叫的對象——Ming-3.0-tts-tiny：一個 Python 類別 MingTinyTTS.from_pretrained，其任務名稱涵蓋零樣本複製、多語言合成、副語言特徵、播客對話、情緒、方言、自由風格與語音設計。Sesame：具備四種人格的聊天介面。正式版語音從未公布任何模型 ID。

• 授權 — Ming-3.0-tts-tiny：權重與程式碼採用 MIT 授權，並附有使用說明，要求你不得冒充他人，且須標示合成音訊。Sesame：應用程式的服務條款，以及下文討論的開放檢查點；該檢查點並非正式生產模型。

• 語言涵蓋範圍 — Ming-3.0-tts-tiny：中文、英文、德文、西班牙文、法文、韓文與日文，另可透過方言參考音檔提供四川話與粵語。Sesame：英文是唯一官方支援的語言；指南指出這些助理也能「早期」處理法文、義大利文、德文、西班牙文、中文、日文與韓文，這讀起來像是警告，而非功能清單。

• 價格 — Ming-3.0-tts-tiny：沒有價目表；你只需支付一台 H800 和電費。Sesame：可免費使用，未公布方案等級，且該公司表示不投放廣告，也不出售資料。

• 獨立分數 — Ming-3.0-tts-tiny：無，而且明確不是 Artificial Analysis 為「Ming-3.0-tts」所列的 1,188 Elo，那是屬於 0.5B checkpoint 的。Sesame：該應用程式的語音同樣沒有。這是少見的對戰組合，雙方都沒有分數。

開發者唯一能拿在手上的 Sesame 實物

Hugging Face 上有一個 Sesame 模型，值得精確說明它究竟是什麼，因為它經常被誤認為是應用程式裡的那個聲音。

CSM-1B 採用 Apache-2.0 授權、僅支援英語，並建立在該公司公開描述的架構上：以 Llama 為骨幹預測第一個音訊碼本，並由較小的深度解碼器預測其餘部分，透過 Kyutai 的 Mimi codec 以 24 kHz 解碼。模型卡稱它為「基礎生成模型」——能夠產生多樣化的聲音，並非針對任何特定聲音量身打造，且明確指出驅動互動式示範的是它的衍生版本，而非該檢查點本身即為示範。截至本次擷取，它在先前一個月顯示約 130,000 次下載與約 2,500 個讚，對一份兩年前的研究發布而言，這代表著真實的開發者關注。

實務上這代表什麼：你可以載入 Sesame 的架構、對它進行微調，並自行託管一個對話式 TTS。你無法載入 Sesame 的產品。十月的更新——用該公司自己的話說，是一個表達力與發音更好的新 CSM——推進了那個你無法擁有的東西，卻沒有對它提出任何可衡量的說法。

它們真正重疊之處，以及重疊的界線所在

兩者都著眼於聽起來像對話而非旁白的語音，而這絕非微不足道的共同點。Sesame 靠氣息、遲疑與打斷時機建立起名聲，逼真到早期聽眾以為電話那頭是真人。Ant 的小模型則內建 14 個行內副語言標籤，涵蓋笑聲、嘆息、呼吸與遲疑，還有多說話者的播客任務，這是它自家 0.5B 的同系列模型做不到的。

再往後，重疊就迅速變稀。

Sesame 的優勢在於，語音是內嵌於一個實際運作的產品中，具備記憶、可連接 Gmail、Calendar 和 Drive、擁有自己的電腦來瀏覽與操作、透過 OAuth 支援 MCP，而且自十月起還能協調其他代理。這些都不是語音模型的功能；它是一個助理，而語音是你與它交談的方式。Ant 的優勢則是一切都可檢視。模型卡上的每一個數字都能追溯到測試集，每個任務都有可執行的範例，而管線則由你自行修改。

決定大多數評估結果的那種不對稱，比兩份清單都更簡單：使用 Ming-3.0-tts-tiny，你可以把同一句話生成一百次並仔細聆聽。使用 Sesame，你根本無法生成任何內容，所以沒有實驗可做——只剩下對某個應用程式的看法。

Ant 發布什麼，以及那有何價值

面對這樣的較量， tempting 的做法是用 Ant 的基準測試表格來填補空白，而這些表格涵蓋範圍相當廣泛：中文 Seed-TTS 的詞錯誤率為 0.820%、說話者相似度為 0.781，英文為 1.666% 與 0.728，德文 0.325%，西班牙文 0.971%，NVBench 副語言學結果在全部六個單事件類別中領先，方言測試套件在 WSC-Eval-TTS easy 上達 86.09%，情感在 CV3 上達 74.00%，聲音設計在 InstructTTSEval-ZH 上達 75.37%。

那些每一項都是 Ant 在量測 Ant，使用 Ant 的測試框架、Ant 的參考片段與評分程式碼，而且其中沒有任何一項曾在公司外部被重現。這並不代表那些數字是錯的。這代表它們是廠商自行提報的數字，也意味著它們無法拿來與 Sesame 的數字對照，因為根本沒有 Sesame 的數字可供對照。

在整套測試中，唯一表現得像真正比較的結果，是那個令人不安的結果：在韓語上，Ming-3.0-tts-tiny 的字元錯誤率為 6.000%，而它自家 0.5B 的兄弟模型則為 1.728%。模型卡將韓語列為已知弱點之一，卻未提供任何解釋。一個合理的解釋——稀疏路由使訓練較少的語言所獲得的容量，少於同等大小的稠密模型所能給予的——是假設，而非發現。從實務角度解讀，穩妥的做法是：如果韓語在範圍內，先測試，再信任。

在沒有模型的情況下，能從 Sesame 的模型學到什麼嗎？

是的，而且在這次比較中，除了授權差異之外，這是最有用的一點：Sesame 發布了一項基準。2026 年 8 月 28 日，它推出了 TurnBench，這是一個針對口語對話中輪流發言（turn-taking）的開放基準——包含 30 小時經三重標註的雙人對話語音、一套取自會話分析的評分協議、一個公開排行榜，以及 14 個系統的結果，並與 Carnegie Mellon、Mundo AI 和 Oto 共同打造。

輪替發言正是偏好 Elo 排行榜與詞錯誤率表都無法捕捉的品質，而這也正是 Sesame 產品聞名的品質。如果你要評估 Ming-3.0-tts-tiny 的任何對話用途，TurnBench 就是值得借用的工具，即使 Sesame 自家的 app 並未列入其中：請依據插話處理與附和時機為你的候選模型評分，而不是靠相似度指標去猜。

這才是這裡公平比較的形式。不是 Ming-3.0-tts-tiny 對比 Sesame Preview 的語音——那無法執行——而是 Ming-3.0-tts-tiny 對比一套公開基準，這套基準是 Sesame 針對兩者共同追求的特性所定義的。

如果你正在打造它們其中任何一個所針對的東西

2026 年語音產品的現實架構是語音層加上負責決定要說什麼的文字大腦，而這兩者位於該堆疊的兩端。Ming-3.0-tts-tiny 可以作為語音層，前提是你有 GPU，也有意願評估它。Sesame Preview 根本不能作為一層；它是你會與之競爭的競品產品。

文字大腦是路由器真正有用、而非僅具裝飾作用的那一環。OrcaRouter 將超過 200 個文字模型收納在單一金鑰之後，依供應商牌價提供、不額外加價，因此供應商調價時，你的價格當天就跟著變動，並具備跨供應商自動容錯切換。把涵蓋範圍說清楚：這裡沒有任何 Ant 語音模型是路由對象，包括 Ming-3.0-tts-tiny；也沒有任何 Sesame 模型是，包括 CSM-1B。被路由的是流程中負責撰寫腳本、挑選情緒標籤，以及決定代理何時開口的那一半——而這一半也正是你能更換供應商、且無須重新錄製任何內容的部分。

除了正面對決，還有什麼可看？

有三件事能讓這成為真正的比較，但這三件事都還沒發生。

為 Ming-3.0-tts-tiny 提供託管端點，或有第三方公布其實測延遲與錯誤率。Ant 自己的路線圖提到支援 vLLM-Omni，這是服務供應問題而非品質問題，但它是讓其他人能為該模型評分的先決條件。

附在 Sesame 十月 CSM 上的一個數字。該公司表示表現力與發音都有所改善，且在長對話中差異很大；但它並未公布模型 ID、延遲數據或任何基準測試，而唯一公開的相關測量仍是 TurnBench，其評分的是輪流接話而非語音品質。

此外，還需要一個來自 Ant 以外任何人所做出的韓語結果。6.000% 這個數字是已發表紀錄中最明顯的缺陷，而若有第二個團隊重現或推翻它，對這個檢查點所能透露的資訊，會比任何 Elo 分數都來得多。

在那之前，誠實的結論並不光鮮：其中一個你能下載、審核並交付，有允許這麼做的授權條款，還有一套只有它的作者自己跑過的基準測試。另一個你能在手機上跟它對話、欣賞它，卻無法以它為基礎來打造東西。